انقلاب صنعتی چهارم؛ اینترنت صنعتی

بخش بیست و دوم: انقلاب صنعتی چهارم؛ اینترنت صنعتی

 عبارات انقلاب صنعتی چهارم (Industry 4.0) و اینترنت اشیاء صنعتی (Industrial Internet of Things-IIoT) به یکی از مفاهیم جذاب صنعتی درسال های اخیر تبدیل شده است. بیشتر صحبت ها و نوشته ها از منظر جذابیت های تجاری، کارایی و مزیت های رقابتی آن مطرح می شود اما این همه داستان نیست، بلکه لایه های ابتدایی و پایین تر که زیربنای اینترنت صنعتی را تشکیل می دهند دارای انواع و اقسام پیچیدگی های فنی است که چالش اصلی به حساب می آید.

در این نوشتار سعی شده است که یک نگاه مختصر اما همه جانبه به مفهوم انقلاب صنعتی چهارم داشته باشیم تا درک نسبتاٌ جامعی از این مفهوم حاصل شود. برای این منظور نیز از اصول اولیه اینترنت صنعتی، مدل ها، فناوری های زیربنایی شروع می کنیم تا نهایتا به انقلاب صنعتی چهارم برسیم.

 توجه داشته باشید که از آنجائیکه انقلاب صنعتی چهارم بیشتر بر روی تولید تکیه دارد، گاهی از اصطلاح تولید نسل چهارم هم استفاده می کنیم.

مقدمه ای بر  اینترنت صنعتی

اینترنت صنعتی زیر مجموعه ی مفهومی است که به نام اینترنت اشیاء می شناسیم (Internet of Things). اینترنت اشیاء همه چیز را از جمله صنعت، تجارت و مصرف کننده را در برمی گیرد اما اینترنت صنعتی نگاه متمرکزتری در حوزه تولید، حمل و نقل، سیستم های انرژی و مراقبت های بهداشتی دارد.

شکل ۱- مفهوم اینترنت صنعتی

 سیستم های صنعتی از گذشته تاکنون از مجموعه ی سنسور و حسگرها استفاده می کردند اما با گسترش اینترنت و بهبود فناوری شبکه، امکان اتصال به یکدیگر را پیدا کرده و به سیستم های اینترنت صنعتی (Industrial Internet systems- IISs)) تبدیل شدند. در گام بعدی با اتصال به سیستم های سازمانی جریان داده ها بنحو مطلوبی افزایش پیدا کرد چراکه محدودیت های فیزیکی برداشته شده و ماشین آلات و دستگاه ها می توانند فراتر از محدوده خود ارتباط برقرار کنند.

اینترنت صنعتی از طریق ادغام حسگرهای صنعتی، نرم افزار، میان افزار و سیستم های ذخیره سازی و محاسبات ابری یا مه (Cloud or Fog Computing) راهی برای دید و بینش بهتر در مورد عملیات شرکت ارائه می کند. هدف این است که از طریق مجموعه ای از حسگرها، داده های مرتبط جمع آوری، به سرعت پردازش و تحلیل شود و نتایج آن منجر به تصمیماتی شود که بهره وری را افزایش دهد.

اینترنت صنعتی ترکیبی از چندین فناوری کلیدی است که مهمترین آنها سنسورها و حسگرها هستند. بر اساس آخرین پیشرفت ها در تکنولوژی حسگر، نه تنها داده های بیشتری تولید می کنند، بلکه از نظر هزینه تولید، عمر عملیاتی، اندازه و دقت ارسال داده ها چنان پیشرفته هستند که داده های تولیدی می توانند حالت خودآگاه و پیش بینی کننده داشته باشند. به عنوان مثال این حسگرهای نصب شده بر روی ماشین آلات می توانند حالت فعلی را با پیکربندی و تنظیمات بهینه و از قبل تعریف شده مقایسه و هرگونه انحراف را تشخیص دهند.

قابلیت مهم بعدی پیشرفت در ذخیره سازی حجم عظیمی از داده ها است. مفاهیم و الگوریتم های محاسباتی در سال های اخیر به واسطه امکان ذخیره سازی حجم زیادی از داده ها به سرعت در حال پیشرفت است و روز به روز خدمات ابری در حال توسعه است و با توسعه و فراگیر شدن آن مشکلات مربوط به ذخیره سازی و نظارت از راه دورکاهش می یابد.

رشد و توسعه در شبکه های رادیویی بی سیم کم مصرف، که قبلاً به اندازه کافی به صرفه یا قابل اعتماد نبودند اکنون دارای یک سطح بلوغ و قابلیت اطمینان بالایی هستند. علاوه بر موارد گفته شده، ابزارهای تحلیلی که می توانند حجم عظیمی از اطلاعات را پردازش کنند در حال رشد بوده و به طور گسترده تری در دسترس هستند.

با توجه به موارد گفته شده، هدف از اینترنت صنعتی  توسعه دستگاه ها و ماشین آلات هوشمند به کمک انواع حسگرها (ابزار دقیق) بوده و سپس جمع آوری داده های خام، مدیریت جریان داده از دستگاه های هوشمند به محل ذخیره سازی، تجزیه و تحلیل توسط متخصصان علوم داده، تصمیم گیری و ارائه بازخورد کنترلی به ماشین آلات است.

لجستیک و زنجیره تأمین همیشه در خط مقدم اینترنت صنعتی بوده است چراکه بسیاری از تکنیک ها با صنعت لجستیک سازگاری کامل دارند. سالهاست که از فناوری بارکد در بسته بندی، ارسال و دریافت اقلام در انبارها استفاده می شود. این پیشرفت بزرگی نسبت به کنترل دستی ورودی و خروجی بود. با اینحال اگرچه دقت افزایش یافته بود اما در انبارهای بزرگ و در حجم زیاد، کنترل تمامی اقلام هم باز کار دشواری است.

راه حل بعدی که مبتنی بر اینترنت صنعتی است، استفاده از برچسب های RFID بر روی پالت ها و یا اقلام است. این برچسب ها حاوی تمامی اطلاعات لازم از جمله شناسه سفارش، سازنده، مدل محصول، تعداد و غیره است. نکته مهم این است که اگر برچسب ها در محدوده دستگاه خواننده آنها باشد به طور خودکار ارتباط برقرار کرده و می تواند اطلاعات را ثبت کند.

با کمک این تگ های RFID  امکان ممیزی و انبارگرانی سریع انبارها فراهم می شود، تغییرات موجودی به طورخودکار بروز شده، مغایرت های فورا از طریق ERP ثبت و هشدارهای لازم داده می شود. در هنگام ورودی و خروجی کالاها به انبار نیز به طور همزمان کلیه اطلاعات با دقت عالی ثبت می شود و دیگر نگران خطای اپراتورها نخواهیم بود.

از طرفی با این برچسب ها می توانند با دیگر سنسورها از جمله دما و رطوبت ارتباط برقرار کنند و اطلاعات مربوط به شرایط محیطی نگهداری اقلام حساس را ارسال کنند. مسئله مهم بعدی راهنمایی در یافتن اقلام در انبارهای بزرگ برای لیفتراک است.

 برای مثال فناوری Swisslog’s SmartLIFT technology با تعبیه سنسورهایی در سقف و راهروها با ارسال داده ها و دریافت آن توسط لیفتراک، راننده را برای رسیدن ایمن به کالای مورد نظر راهنمایی می کند. توجه داشته باشید لیفتراک عامل بیش از صد هزار تصادف سالانه فقط در ایالات متحده است که بیشتر از ۸۰ درصد آن تصادف با عابر می باشد.

یکی از کاربرد های موفق اینترنت صنعتی در زمینه تعمیرات و نگهداری پیشگیرانه است. به کمک این فناوری بسیاری از شرکت های که دارای تجهیزات حساسی هستند برای مثال تجهیزات تولید کننده آب شیرین، می توانند خرابی تجهیزات را پیش بینی و به سرعت به آن واکنش نشان دهند.

کاربرد مهم بعدی در ایجاد مزیت رقابتی برای برخی از صنایع پیشرو است. این مفهوم تحت عنوان اقتصاد نتیجه (Outcome economy) تعریف و بر ارائه ارزش مطابق نتایجی که مشتریان می خواهند، تمرکز دارد، نه فقط خود محصولات یا خدمات. این مفهوم بر درک و برآوردن نیازهای مشتری، تقویت روابط مستمر و تطبیق مدل‌های کسب‌وکار برای اولویت‌بندی ارزش تأکید دارد.

 فرض کنید شما تولید کننده یک محصول با فناوری بالا هستید. چقدر احتمال دارد یک رقیب پس از مدتی محصولی مشابه را تولید و با قیمت کمتری به فروش برساند؟

برای مثال شرکت رولز رویس که از بزرگترین تولید کنندگان موتور هواپیما در دنیا است را در نظر بگیرید. این شرکت برای رفع نگرانی و ایجاد یک مزیت رقابتی موتور هواپیما نمی فروشد بلکه چیزی که می فروشد خیال راحت یا به تعبیر فنی تر، قابلیت اطمینان (Rolls Royce’s TotalCare) است.

موتور هواپیما در این شرکت متصل به انواع و اقسام حسگر است و با اینکار یک دوقلوی دیجیتالی از نسخه اصلی ایجاد کرده است. تمام کار پشتیبانی تعمیرات و نگهداری با شرکت رولز رویس است. متخصصان این شرکت با بررسی نسخه دیجیتالی و حجم عظیم داده های این موتور می توانند از صحت کار موتور اطمینان حاصل کرده و به محض بروز اشکال در موتور در سریع ترین زمان ممکن محل دقیق آنرا تشخیص و نسبت به تعمیر آن اقدام کنند.

برای درک بهتر عبارت “حجم عظیم داده ها”  کافی است بدانید که موتورهای یک هواپیمای مسافری بوئینگ با این حجم از حسگرها در عرض نیم ساعت کارکردن، معادل ۱۰ ترابایت داده تولید می کند. این حجم از دادها باید ذخیره و در گام بعدی تجریه و تحلیل شوند که کار هر سازمانی نخواهد بود.

صنعت نفت و گاز نیز برای توسعه یا حتی اکتشاف منابع جدید نیز به فناوری اینترنت صنعتی وابسته شده است. داده های مربوط به زمین شناسی و حفاری بسیار زیاد است (فقط یک قلم از آن داده های مربوط به سرعت، دور بر ثانیه و دمای مته حفاری است).

 در گذشته به دلیل نبودن فضای ذخیره سازی و محدودیت های پردازش، بسیاری از این داده ها دور ریخته می شدند اما اکنون به واسطه حسگرهای پیشرفته، اتصالات بی سیم و بدون کابل کشی ( یک زمان چالش اصلی بود)، فضای ابری و الگوریتم های داده کاوی، داده های مربوطه نگهداری و پردازش می شوند و برای پروژه های آینده نیز قابلیت پیش بینی را فراهم می کند و در نتیجه هزینه های اکتشاف و همچنین تعمیرات و نگهداری کاهش پیدا می کند.

مورد آخر مربوط به ربات های صنعتی هستند. ربات ها دارای ۳ قابلیت مهم هستند: ۱) سنجش ۲) پردازش داده ها و ۳) عمل کردن. ربات ها اساساً ماشین های قابل برنامه ریزی هستند تا برای کارهای تکراری جایگزین نیروی انسانی شوند. با پیشرفت فناوری حسگر و بهبود نرم افزارها، ربات ها باهوش تر خواهند شد و می توانند دنیای اطراف خود را درک کنند که البته در حال حاضر با تکمیل و توسعه خودروهای خودران این امر تا حدود زیادی محقق شده است. انتظار می رود در آینده ربات ها با کاهش هزینه های تأمین آنها، بیش از پیش در خانه ها ظاهر شوند.

البته این فقط صنعت نیست که می تواند از اینترنت اشیاء بهرمند شود. حوزه سلامت، چشم انداز و اهداف مختص به خود را دارد. در اینجا تمایل به بهبود مراقبت و خدمات با کیفیت به بیمار است چراکه خطاهای بیمارستانی را می توان به کمک این فناوری کاهش داد. برای مثال، بیمارستان ها و مراکز درمانی می توانند از طریق مچ بندهای هوشمند که قابلیت ارسال داده های بیمار، ذخیره سازی و به اشتراک گذاری در فضای ابری را دارد، وضعیت بیمار را کنترل کرده و با توجه به تجزیه و تحلیل داده ها، برنامه درمانی، تجویز و تحویل دارو را به نحو دقیق تری دنبال کنند.

مورد جالب آخر مربوط به یک شرکت فعال در زمینه لباس و مد در لس آنجلس است  که با ارائه آیینه جادویی Uniquo’s magic mirror بسیار مورد توجه قرار گرفته است. نحوه کار به اینصورت است که مشتری لباس مورد نظر خود را انتخاب و می پوشد و بعد جلوی آیینه قرار می گیرد. آیینه داده های مربوط به سایز بدن، نوع و مدل لباس را پردازش کرده و بعد رنگ لباس را (با توجه به رنگ های تولید شده) عوض می کند تا مشتری هر کدام را که باب میلش بود انتخاب کند و دیگر مجبور نباشد همه رنگ ها را امتحان کند.

پیشتازان فنی در اینترنت صنعتی

پیشرفت در میکرو الکترونیک، ارتباطات بیسیم رادیویی و پردازش سیگنال در سال های اخیر منجر به تولید حسگرهای با ابعاد کوچک ولی با کارایی بالا شده که پایه و اساس اینترنت صنعتی را فراهم کرده است. استفاده از سیستم های که از چندین حسگر استفاده می کنند به طور قابل توجهی به افزایش کیفیت و در دسترس بودن داده ها کمک می کند.

کوچک سازی حسگرها تا مرحله ای پیش رفته است که تولیدکنندگان حسگرها می توانند آنها را به اندازه دانه شن کوچک کنند. این بدان معناست که اکنون می توان حسگرها را در هر مکان و هر چیزی مانند لباسی که می پوشید، بسته بندی موادغذایی و حتی داخل بدن نیز تعبیه کرد.

ادغام چندین عملکرد در یک حسگر از جمله کنترل دما، رطوبت و غیره تعداد قطعات الکترونیکی را روی بردهای مدارچاپی (PCB) کاهش داده که علاوه بر کوچک سازی، کاهش هزینه را نیز به دنبال دارد. در سال های گذشته از حسگرها در ماشین آلات استفاده می شد اما نیاز به سیم کشی داشتند و به واسطه همین مشکلات، برای ارتباط از راه دور محدودیت وجود داشت.

پیشرفت در فناوری و پروتکل های رادیویی از جمله Thread ، Digimesh ،  WirelessHart ، ۸۰۲.۱۵.۴ ، Low-Power WiFi ، LoHoWAN ، HaLow ، Bluetooth low-power ، ZigBee-IP NAN ، DASH7  و غیره، امکان تعبیه آنها در حسگرها و در نتیجه امکان اتصال بیسیم در فواصل دورتر را میسر کرده است بخصوص فناوری ZigBee که می تواند ارتباطات شبکه ای را ایجاد کند.

در کنار این فن آوری ها، توسعه و تکمیل پلتفرم ها هم نقش مهمی داشته اند. ظهور اولین تلفن هوشمند آیفون در سال ۲۰۰۷ به عنوان یک پلتفرم هوشمند، به نوآوری در زمینه اینترنت صنعتی سرعت بخشید. تلفن های هوشمند جدید بستری مناسب برای برنامه های کاربردی اینترنت اشیاء و اینترنت صنعتی هستند علت اصلی هم وجود انواع و اقسام حسگرها در آن است. برای مثال در تلفن های اندروید یا آیفون جدید تا دلتان بخواهد سنسور وجود دارد.

حسگرهای شتاب سنج، سنسور شتاب خطی، مغناطیس سنج، فشار سنج، لرزش و گرانش، ژیروسکوپ، سنسور نور، سنسور جهت گیری برخی از مهمترین ها هستند. کاربرد اینها در تلفن برای برنامه ها کاربردی مانند دوربین و عکس برداری، میکروفن، ضبط صدا و امثالهم است اما داده های ورودی به برنامه های اینترنت اشیاء البته به غیر از تحلیل داده را نیز فراهم می کند.

از طرف دیگر با ازدیاد تلفن های هوشمند، تبلت ها و کامپیوترهای شخصی نحوه کار پرسنل دچار تغییر شده که حداقل آن، امکان تحرک بیشتر برای کارمندان شرکت است. با شرایط جدید، کارکنان می توانند در هر زمان و مکان کار کنند و همیشه از طریق شبکه اینترنت به داده ها، برنامه ها و سیستم های شرکت دسترسی داشته باشند البته با سنگین شدن بار کاری سیستم فناوری اطلاعات در سازمان ها منجر به توسعه و برون سپاری بخشی از خدمات در فضای ابری شده است.

فناوری مهم بعدی برای اینترنت صنعتی، مفهوم مجازی سازی عملکرد شبکه (Network Functionality Virtualization-NFV) است. با NFV، نیازی به داشتن سخت افزار اختصاصی برای هر عملکرد شبکه ندارید. NFV مقیاس‌پذیری و چابکی را با اجازه دادن به ارائه‌دهندگان خدمات برای ارائه خدمات و برنامه‌های جدید شبکه بدون نیاز به منابع سخت‌افزاری اضافی بهبود می‌بخشد.

معماری NFV پیشنهاد شده توسط موسسه استانداردهای مخابرات اروپا (European Telecommunications Standards Institute (ETSI)) تعریف و به استانداردسازی جهت اجرای NFV کمک می کند.

در همین چارچوب باید به مفهوم شبکه های نرم افزاری تعریف شده (SDN (Software Defined Networks اشاره شود. این فناوری به عنوان مکمل NFV محسوب می شود و رویکردی برای مدیریت شبکه و مسیر یابی بهتر است. SDN کنترل شبکه را از سخت‌افزار فیزیکی جدا می‌کند و امکان مدیریت متمرکز از طریق برنامه‌های نرم‌افزاری را فراهم می‌کند. این امکان پیکربندی پویا و کارآمد شبکه، بهبود عملکرد، نظارت و در عین حال ساده سازی وظایف مدیریتی را فراهم می کند.

VFV و SDN با هم کار می کنند و می توانند یک توپولوژی مجازی شبکه اینترنت صنعتی ایجاد کنند و بسیاری از وظایف را به طور خودکار و در کوتاه ترین زمان انجام می دهد. (توجه داشته باشید که این مباحث جزء مهندسی شبکه است برای همین فقط در حد تعریف و اینکه به گوشتون خورده باشد آمده است).

محاسبات ابری و مه (Cloud and Fog computing)

ذخیره و محاسبات ابری با ارائه خدمات وب شرکت آمازون (Amazon Web Services -AWS) در سال ۲۰۰۵ متولد شد. این شرکت مراکز و سرورهای بسیار گسترده ای برای تأمین نیازهای خودش بوجود آورد و بعد در یک اقدام نوآورانه تصمیم گرفت که ظرفیت اضافی را به دیگر کسب و کارها اجاره دهد.

با موفقیت آمازون، شرکت های دیگری از جمله گوگل، مایکروسافت، IBM، Oracle از آمازون پیروی کردند. برای بسیاری از شرکت ها و استارت آپ ها این خدمات جذاب بود چراکه باعث صرفه جویی برای خرید تجهیزات سرور و مراکز ذخیره سازی داده ها می شد و همین موضوع به گسترش این نوع از خدمات کمک کرده است.

سه دسته از این خدمات به مرور زمان توسعه و تکامل پیدا کردند اولین محصول خدماتی همان ایده آمازون بود  که بنام IaaS (Infrastructure as a Service) می شناسیم. دومین محصول PaaS (Platform as a Service) توسط مایکروسافت عرضه شد. مایکروسافت به این نتیجه رسید که شرکت ها برای توسعه محصولات نرم افزاری تحت وب نه تنها به زیر ساخت بلکه به ابزارهای دیگری از جمله زبان های برنامه نویسی، ماژول ها و کتابخانه، API و دیگر سرویس های مرتبط نیاز دارد.

دسته سوم خدمات در این حوزه SaaS (Software as a Service) ارائه نرم افزار ها به صورت تحت وب است به اینصورت که بجای دسترسی به یک سرور خصوصی برای استفاده از یک نرم افزار، با استفاده از یک مروگر اینترنت بتوانیم مستقیماً به نرم افزار مورد نظر متصل و آن را اجرا کنیم.

ذخیره و فراخوانی داده ها در فضای ابر یک ویژگی بسیار مهم در توسعه اینترنت صنعتی بود چراکه هم مشکل تهیه زیرساخت را حل کرده و هم به لحاظ مالی مقرون به صرفه است با این حال جدای مشکلاتی نظیر از امنیت و از دست دادن داده ها، یک مشکل مهم وجود دارد و آن تأخیر است. یعنی زمانی که داده ها جمع آوری شده، به فضای ابری جهت ذخیره و محاسبات مربوط فرستاده می شود تا بازخورد (Feedback) آن فراهم شود برای بعضی از کاربردها به لحاظ زمانی غیر قابل قبول است. چند مثال را باهم مرور کنیم:

برای یک موتور هواپیما با انواع و اقسام حسگرها نصب شده در آن، اگر مشکل حیاتی در موتور رخ دهد به عنوان مثال یک نقص در سیستم سوخت رسانی، باید تجزیه و تحلیل داده ها و بازخورد در سریع ترین زمان ممکن انجام بگیرد چراکه تأخیر منجر به حادثه غیرقابل جبران می شود.

سانتریفیوژها در بسیاری از صنایع از جمله پزشکی، دارویی و .. استفاده می شود. اگر حسگری متوجه لرزش، دما و سرعت غیر عادی شود باید پردازش داده ها بلافاصله و در زمان واقعی (Real time) انجام شده و بازخورد آن منجر به خاموش شدن دستگاه شود.

معاملات در بازارهای مالی و بورس نیازمند تجزیه و تحلیل داده ها با سرعت بالا است. موسسات مالی و بانک ها علاقه دارند که داده ها در اسرع وقت پردازش شوند برای همین حتی بین صرافی های لندن و نیویورک کابل های خصوصی در زیردریا قرار داده اند.

راه کارهایی برای مشکل تأخیر ارائه شده از جمله سرورهای خصوصی یا استفاده ترکیبی از سرورهای عومی و خصوصی تا استفاده از رویکرد محاسبات مه بجای ابر. مفهوم مه (Fog) اولین بار توسط شرکت  Cisco برای محاسبات در نزدیک دستگاه و شبکه ابداع شد. بر خلاف واژه ابر که اشاره به فضایی در دوردست دارد، مفهوم مه به دلیل نزدیک بودن به زمین استعاره ای است برای پردازش داده ها در نزدیک دستگاه مورد نظر.

در این رویکرد به جای ذخیره و محاسبه داده ها در یک کانال ابری، در چندین ناحیه در نزدیکی دستگاه و شبکه (network or device edge) که به آن گره یا لبه می گویند انجام می شود. این کار چند حسن دارد از جمله پردازش سریعتر داده ها بدون تأخیر، حفظ امنیت و کاهش نگرانی بخاطر از دست دادن داده ها، شناسایی بهتر موقعیت دستگاه و اینکه به واسطه توزیع داده ها در گره ها به جای استفاده از یک کانال ابری، پهنای باند مورد مود نیاز جهت اتصال و ارتباطات هم کاهش می یابد.

محاسبات مه با وجود مزیت های بهتر نمی تواند جایگزینی برای محاسبات ابری شود دلیل آن هم محدودیت در ذخیره سازی و تجزیه و تحلیل کلان داده (Big Data) است. از آنجائیکه محاسبات بر روی داده های انبوه، بخش اساسی در اینترنت صنعتی است، فضای ابری کماکان جایگاه و معماری اصلی در تولید نسل چهارم را دارد.

کلان داده و داده کاوی (Big Data and data mining)

داده های کلان اشاره به حجم داده هایی است که آنقدر بزرگ هستند که نمی توان با ابزارهای معمولی آنها را تجزیه و تحلیل کرد. این داده ها ترکیبی از داده های ساختاریافته و غیر ساختار یافته هستند که می توانند از هر منبعی دریافت شوند.

برای مثال گوگل، داده های زیادی را از منابعی مانند عکس، ویدئو، متن، چت ها و غیره جمع می آوری می کند و به کمک سرمایه گذاری زیاد در سخت افزار ها و نرم افزار های مربوطه، همبستگی پنهان و ارزشمند میان داده های به ظاهر بی ربط را پیدا می کند.

در دنیای اینترنت صنعتی نیز به کمک پیشرفت های صورت گرفته، داده ها از منابع مختلف محیط تولیدی از جمله حسگرهای ماشین به ماشین (M2M)، داده های تله متری و غیره در حجم بسیار زیاد تولید می شود. در وهله اول باید توجه کنیم که این داده ها غیر ساختاریافته و در اصطلاح کثیف هستند. اینکه کدام داده ها برای هدف مورد نظر اطلاعات ارزشمندی تولید می کنند سرآغاز  علم داده کاوی است.

(برای یادآوری عبارت ریاضی ساده Y=X را در نظر بگیرد. در این تابع، Y متغیر وابسته است و X متغیر مستقل. این X در علوم مختلف نام های متفاوتی دارند برای مثال در ریاضی متغیر مستقل می گوییم. در علوم اقتصادی و اقتصاد سنجی متغیرهای توضیحی نام دارند. در علوم داده کاوی به این X ها ویژگی گفته می شود. هر کجا اصطلاح ویژگی آمده است منظور پیدا کردن آن Xهایی است که بیشترین رابطه را با متغیر وابسته Y داشته و مفیدترین اطلاعات را به ما می دهند.)

داده ها باید در ابتدا تمیز شوند و ویژگی های مورد نظر ما استخراج شوند و در مرحله بعد به شکل ساختار یافته مرتب شوند تا بتوانیم تجزیه و تحلیل داده ها را به درستی انجام دهیم. کار با داده های کلان بسیار متفاوت با داده های کوچکتر است. خود پیدا کردن این ویژگی های مطلوب در میان داده ها، یک مهارت دشوار و ارزشمند است.

کار با داده ها فراتر از نمایش در قالب نمودارها، گراف و جداول است. هر چند این ابزارهای ساده بینش ارزشمندی در رابطه با همبستگی و روند ها ارائه می کنند اما اغلب برای تجزیه و تحلیل داده های حجیم، نیاز به الگوریتم های داده کاوی برای اهداف مورد نظر هستید. برخی الگوریتم ها برای تجزیه و تحلیل و ارائه پاسخ بلادرنگ و در زمان واقعی توسعه یافته اند.

 برای مثال مشکل فنی در یک موتور هواپیمای در حال پرواز باید در سریع ترین زمان ممکن شناسایی و پاسخ داده شود یا چراغ راهنمایی هوشمند در یک چهار راه با توجه به حجم ترافیک، طول مدت زمان فعال بودن چراغ را تنظیم می کند. در این موارد نمی توانید داده های را بعد از ذخیره سازی در فضای ابری مورد تجزیه و تحلیل قرار دهید.

اما از سوی دیگر برای بعضی از کاربردها نیاز به الگوریتم هایی است که بتواند داده های ذخیره شده در فضای ابری را مورد پردازش قرار دهد تا بتوان از خروجی آنها در پیش بینی آینده استفاده شود. الگوریتم های که به درستی توسعه یافته اند این اطمینان را به ما می دهند که مجموعه سوالات هدفمند و درستی از داده ها پرسیده می شود و جواب های قابل اتکایی برای تصمیم گیری فراهم می کند.

برخی از الگوریتم های پرکاربرد و عمومی تر در حوزه هوش مصنوعی توسعه یافته اند که شامل شبکه های عصبی ساده تا شبکه های بیولوژیکی و مفهوم یادگیری عمیق (Deep learning) است که تجزیه و تحلیل داده های بزرگ را چند گام به جلو برده است چراکه با تقلید از کارکرد مغز انسان علاوه بر پیدا کردن الگوها به دنبال یادگیری نیز هستند.

می توانیم بر حسب نوع نیازمان سراغ این الگوریتم ها برویم. برای مثال شبکه عصبی ساده که روی شناخت گفتار و متن تمرکز دارد و تئوری آن مربوط به چند دهه قبل است، پایه فناوری سیری در تلفن های اپل است (Apple’s Siri) که در مواقع اضطراری به کار می آید و یا شبکه های عصبی بیولوژیکی در دستگاه های حفاظتی که وظیفه تشخیص رفتار غیر عادی را دارند کاربرد زیادی دارد چراکه نقطه قوت آن در تشخیص ناهنجاری و طبقه بندی نهفته است.

برای برخی از کاربردهای Big data می توانید از ابزارهای موجود استفاده کنید برای مثال Hadoop یک ابزار ذخیره و تجزیه و تحلیل داده های کلان به صوت منبع باز است. برای کاربردهای اختصاصی و ویژه باید الگوریتم مورد نظر خود را توسعه دهید. اینجا میدان عمل متخصصان و مهندسین داده کاوی خواهد بود افرادی که در درک و مرور داده های بدون ساختار، جستجو برای کشف نظم و الگوها، ارتباطات پنهان و معنادار میان داده ها مهارت زیادی دارند.

واقعیت افزوده (Augmented Reality)

فناوری واقعیت افزوده در چند سال آینده جایگاه بهتری در تولید نسل چهارم پیدا خواهد کرد دلیل عمده آن هم این است که فناوری های مکمل آن همگی در حال رشد هستند انواع عینک ها (AR visors) و هدست ها در حال تولید و توسعه هستند. یکی از زمینه های اصلی برای کاربرد این فناوری در بخش تعمیرات و نگهداری ماشین آلات خواهد بود. در حال حاضر تکنسین ها و تعمیرکاران باید دوره های آموزشی طولانی مدت (برحسب نوع فناوری) را به صورت حضوری در شرکت سازنده طی کنند و گواهینامه صلاحیت دریافت کنند.

تصور کنید با انواع حسگرهای جاسازی شده در دستگاه و ایجاد یک نقشه سه بعدی که در واقع یک نسخه دوقولوی دیجیتالی از دستگاه است و در فضای ابری ذخیره شده، تعمیرکار براحتی می تواند با کمک ابزار واقعیت افزوده، محل و قطعه ای که دچار خرابی شده است را تشخیص و آنرا تعمیر یا تعویض کند.

البته این فقط مربوط به خط تولید نیست. به طور مشابه میتوان با جاسازی حسگرها در مراحل ساخت ساختمان های هوشمند و تهیه نقشه های سه بعدی که به کمک واقعیت افزوده قابل مشاهده هستند براحتی محل خرابی برای مثال نشتی لوله ها را خیلی سریعتر، بهتر و بدون ایجاد خرابی تشخیص داد.

یا حتی در هنگام آتش سوزی، به آتش نشانان کمک خواهد کرد تا اطلاعات مرتبط با دما، وضعیت حسگرهای تشخیص دود و اینکه آیا در طبقه مورد نظر فرد یا افرادی حضور دارند یا خیر را دریافت کرده تا بتوانند تصویر واضحی در لحظه از وضعیت ساختمان داشته باشند. به طور خلاصه، موارد کابرد این فناوری در صنعت بسیار گسترده تر از وضعیت فعلی خواهد بود.

پرینتر سه بعدی

ساخت و تولید به کمک پرینترهای سه بعدی (Additive manufacturing) نقش کلیدی در انقلاب صنعتی چهارم دارند چراکه تولید قطعات با آنها نیازی به طراحی قالب، تنظیم مجدد ماشین آلات و یا حتی تغییر در خطوط تولید را ندارد و تنها به یک فایل کامپیتری از قطعه مورد نظر نیاز دارد و می توان قطعه نزدیک به ابعاد نهایی را تولید کرد. درنتیجه سرعت و انعطاف پذیری به شدت افزایش پیدا کرده است.

در کنار این عوامل نکته مهم دیگر آن است که می توان از یک نمونه تا تیراژ دلخواه تولید کنید. تصور کنید که در مرحله پیش نمونه از تکمیل یک محصول جدید هستید، صرفه جویی ناشی از نداشتن قالب های صنعتی با افزایش سرعت تکمیل پروژه، هزینه تمام شده را کاهش می دهد. حتی به عنوان یک کسب و کار مستقل می توانید قطعات سفارشی را تولید کنید.

در حال حاضر پیشرفت های زیادی در تولید پرینترهای سه بعدی و بویژه در نحوه ذوب و اتصال مواد اولیه به یکدیگر ایجاد شده است. برای مثال با استفاده از تکنیک همجوشی بین ذرات (Power bed fusion) توسط لیزرهای پر قدرت، می توان انواع قطعات پلیمری، فلزی و حتی کامپوزیتی را تولید کرد برای مثال ساخت قطعات بادوام و مستحکمی مثل انواع جیگ و فیکسچر که ترکیبی از پلیمر تقویت شده با الیاف کربن است، به کمک این روش انجام می شود. این پیشرفت ها باعث شده تا پرینتر سه بعدی در طیف وسیعی از صنایع از جمله هوافضا، خودرو و حتی پزشکی استفاده شود.

در حال حاضر قطعات زیادی در موتور هواپیماهای نظامی و تجاری به کمک این روش ساخته می شود. کابین خلبان جنگنده مشهور F35 در سیستم های شبیه ساز پرواز (simulators) توسط چاپگرهای سه بعدی تولید می شود که باعث کاهش ۷۵ درصدی در زمان تولید و همچنین صرفه جویی نزدیک به ۷۰ درصد در تعداد قطعات فلزی به کار رفته شده است (این داده ها در سایت شرکت لاکهید قابل مشاهده است).

 در صنایع خودرو نیز استفاده از پرینتر سه بعدی در تولید طیف وسیعی از قطعات از جمله اجزای موتور با هندسه پیچیده و سیستم هیدرولیک تا اجزای داخلی بدنه متداول است. اما در صنایع پزشکی موضوع جالب تر است. جدای از تولید برخی ایمپلت و پروتز ها، تولید بافت و اندام های بدن به کمک این روش در حال توسعه است.

برای مثال در تولید پوست بدن روش کار به این صورت است که لایه هایی از سلول های زنده گرفته شده از بیمار توسط یک چاپگر سه بعدی بر روی یک صفحه کشت قرار می گیرد تا لایه های بعدی از این ساختار ارگانیک ساخته شود و از آنجائیکه این بافت از سلول های زنده خود بیمار ساخته شده، بدن این اندام های جدید را پس نمی زند و سیستم ایمنی بدن نیز به آنها حمله نمی کند، مشکل بزرگی که در بیماران دریافت کننده اعضای اهدایی مشاهده می شود.

چالش های پیاده سازی اینترنت صنعتی

سوالات و نکات مهمی که باید به هنگام فکر کردن به اینترنت صنعتی در نظر گرفته شود به چهار دسته تقسیم می شود:

• تجاری (Business)
• نحوه استفاده (Usage)
• عملکرد (Functional)
• پیاده سازی (Implementation)

از نگاه تجاری باید به این سوالات پاسخ دهید که بکارگیری اینترنت صنعتی چه ارزشی قرار است به کسب و کار شما اضافه کند. آیا با استراتژی شرکت شما همسو است ؟ بازده سرمایه گذاری ROI چه مقدار است؟ چه ریسک های برای تجارت ما به همراه خواهد داشت؟

دیدگاه استفاده به فعالیت و تعامل کاربران با این سیستم جدید می پردازد. آیا کارکنان شرکت می توانند با این سیستم کار کنند و حداکثر بازدهی را داشته باشند؟ اگر کلی سرمایه گذاری شود ولی استفاده درست و صحیح از آن نشود به چه دردی می خورد؟

دیدگاه عملکردی به خود سیستم اینترنت صنعتی اشاره دارد. پیاده سازی این سیستم مستلزم در نظر گرفتن استانداردها و ملزوماتی است که منجر به پیچیده شدن این سیستم می شود و بدیهی است که احتمال بروز خرابی و مشکلات افزایش پیدا کند. آیا باید دنبال سیستم های ساده باشیم؟ آیا می توانیم درجه ای از انعطاف پذیری در عملکرد را داشته باشیم؟ آیا مشکلات احتمالی عملکردی قابل شناسایی است؟ در صورت بروز مشکل آیا می توانیم آن را تشخیص و رفع کنیم؟

 یادمان باشد که عملکرد این سیستم قرار است ما را در مسیر تبدیل داده های خام به اطلاعات و سپس تقطیر اطلاعات به دانش کمک کند. دانش به دست آمده توانایی ما را برای تصمیم گیری تجاری، عملیاتی و بهینه سازی فرآیندها بهبود می بخشد و درنتیجه منجر به افزایش بهره وری و سودآوری کسب و کار می شود.

اما دیدگاه پیاده سازی جالب ترین و مهمترین قسمت است چراکه با انواع و اقسام فناوری و پروتکل ها در ارتباط است و بنابه این ضرب المثل که شیطان در جزئیات است (Devil is in the details)  بیشتر مشکلات و گلوگاه ها نیز در جزئیات پیاده سازی است.

در ابتدا به شکل (۲) نگاه کنید که لایه های پیاده سازی اینترنت صنعتی را از پایین ترین که لایه فیزیکی است تا بالاترین لایه که بهره برداری از دانش تولید شده است را نشان می دهد. به طور خلاصه، ما به کمک حسگرها و مبدل در لایه فیزیکی، داده ها را جمع آوری کرده و سپس از طریق یک شبکه داده ها را تجمیع، ترجمه و در یک فضای ابری (مه) ذخیره می کنیم تا مراحل بعدی که شامل پردازش، تجزیه و تحلیل آنها با توجه به نوع کاربردشان است انجام شود.

شکل ۲-لایه های پیاده سازی اینترنت صنعتی

 هر لایه برای خودش داستان و چالش های فنی بسیار زیادی دارد که اشاره کامل به آنها فراتر از این نوشتار است اما جهت آشنایی برخی از مهمترین ها را به صورت مختصر معرفی می کنیم.

در لایه فیزیکی که مربوط به نصب سخت افزار ها است، اول از همه باید بدانید که معمولاً پروژه های اینترنت صنعتی برای یک دوره ۲۰ ساله در نظر گرفته می شود. بنابراین با توجه به سرعت تکمیل و توسعه فناوری های پایه، یک طراحی ماژولار و انعطاف پذیر برای زمانی که می خواهید فناوری قدیمی را با نوع جدیدتر آن جایگزین کنید در نظر بگیرید.

نکته مهم بعدی این است که اینترنت صنعتی قرار است در کجا پیاده سازی می شود. در یک انبار یا فروشگاه خرده فروشی، یک کارخانه در شهرک صنعتی، برای کشاورزی با فناوری محیط کنترل شده شامل دما، نور، رطوبت و غیره (Controlled Environment Agriculture-CEA)، برای یک سایت حفاری نفت و یا توربین های بادی در یک نیروگاه دورافتاده؟

طبیعی است که هرچه دامنه سایت مورد نظر بزرگ باشد نیاز به حسگرها و مبدل های بیشتری خواهیم داشت گاهی تا صدها هزار یا حتی میلیون عدد. در یک انبار و فروشگاه خرده فروشی و یا کارخانه تولیدی، مشکل تأمین برق وجود ندارد ولی برای یک سایت دورافتاده باید ببینید که تأمین انرژی از چه طریقی صورت می گیرد. مثلا قرار است که ژنراتور برق داشته باشیم، از انرژی خورشیدی و تجدیدپذیرها استفاده کنیم یا قرار است از باتری استفاده شود؟

تأمین باتری یک عامل لجستیکی بسیار مهم و حتی محدود کننده است. اگر قرار باشد در آینده توسعه داشته باشیم و نیاز به حسگر و در نتیجه باتری افزایش پیدا کند، آیا تأمین آنها امکان پذیر است؟ برای طیفی از حسگرها از باتری دکمه ای کوچک استفاده می شود که سال ها دوام دارند اما آیا تولید داخلی داریم یا باید از خارج وارد شوند؟

نکته مهم بعدی اینکه ماشین آلات و دستگاه ها یکسان و مشابه نیستند و به مجموعه متفاوتی از حسگرها نیاز دارند. باید یک شناخت و آگاهی عمومی از فناوری های پایه در این زمینه داشته باشیم تا بدانیم کدام فناوری ها نیاز به سیم کشی دارند و کدام بی سیم هستند در این حوزه، استانداردها بسیار مهم هستند.

علاوه بر آن فرض کنید اینترنت صنعتی را در انبار و یا یک فروشگاه خرده فروشی کوچک پیاده سازی می کنید در اینجا اکثر دستگاه های موجود با کمک Wi-Fi به یکدیگر متصل می شوند چراکه برای اتصال و ارسال داده نیاز به فرکانس (پهنای باند) محدودی دارند و برای اینکار هم کفایت می کند. برای مثال برچسب RFID که در انبار بر روی پالت و یا خود کالاها نصب می شود با فرکانس و دامنه کوچکی اتصال برقرار می کند.

اما برای یک ابرکارخانه که در چندین کشور سایت تولیدی دارد با ماشین آلات بسیار متنوع یا برای یک سایت نیروگاهی در یک منطقه دورافتاده، به تکنولوژی ها ارتباطی با پهنای باند بالاتری نیاز است تا کیفیت ارسال داده ها حفظ شود. برای مثال 4G LTE /5G در مناطق دورافتاده استفاده می شود. هواپیماهای تجاری و بخصوص نظامی داده ها را از طریق ماهواره ها نیز ارسال می کنند.

در ادامه فرض کنید که سخت افزارها را به درستی انتخاب و نصب کرده ایم. داده ها توسط حسگرهای متنوع که هر کدام دارای پروتکل های ارتباطی و اتصالی مخصوص به خود هستند دریافت می شود. نحوه همسان سازی (Synchronization) داده های حسگرهایی که از پروتکل های ارتباطی متفاوتی استفاده می کنند چالش مهم بعدی است. اینجا با یک شبکه ناهمگن از داده ها روبرو هستیم که مرتبط با بحث دروازه (Gateway) در مهندسی شبکه است که امکان ادغام داده ها را فراهم می کند.

ادغام داده ها یک طرف قضیه است و طرف دیگر اینکه باید جریان دریافتی داده ها را چگونه کنترل کنیم؟ ما با هزاران حسگر مواجه هستیم. آیا امکانش هست نامحدود دریافت کنیم؟ یک آستانه تعریف کنیم تا تنها هنگامی که از این آستانه عبور کرد گزارش ارسال شود؟ یا مشخص کنیم در فواصل زمانی معین مثلا هر نیم ساعت یکبار ارسال شود؟

پاسخ صحیح با توجه به امکانات ذخیره سازی و محیط کاربری است. برای مثال برای کنترل شرایط بیمار در بیمارستان باید مشخص کنیم که می خواهیم پیوسته وضعیت تحت کنترل باشد یا نه. همینطور در شرایط محیط کارخانه تولیدی برای حسگرهای دما، سرعت و فشار نیز با توجه به حساسیت ماشین آلات تصمیم گیری می شود اما به طور کلی در دنیای اینترنت صنعتی نظارت رویداد محور (Event-driven messaging) مورد نیاز است چراکه واکنش را تسهیل می کند.

برای این قسمت کار نیز میان افزارهای (Middleware) مختلفی طراحی و بنحوی توسعه پیدا کرده اند تا طیف گسترده از عملکرد از جمله احراز هویت حسگرها، ادغام داده ها، نظارت و کنترل جریان دریافت و همچنین برخی تجزیه و تحلیل در زمان واقعی را انجام دهند.

 برخی از این میان افزارها رایگان و منبع باز هستند از جمله Kaa، OpenIoT، Alljoyn و Mango این پلتفرم ها امکانات خوبی را فراهم می کند اما همیشه به عنوان بهترین راه حل بخصوص زمانی که موضوع قابلیت اطمینان در میان باشد محسوب نمی شود.

زمانی که نیاز به پشتیبانی فنی باشد باید سراغ محصولات تجاری بروید برخی از محبوب ترین ها شامل ThinkWorx، Oracle Fusion و IBM Cloud (IBM Bluemix) می باشند. این پلتفرم ها امکانات بیشتری دارند، پشتیبانی می شوند و کار کردن با آنها آسان تر است اما قیمتی دارند.

مورد مهم بعدی که بسیار مهم است بحث مهندسی شبکه و امنیت ارتباطات است بخصوص زمانی که داده باید به فواصل دورتری ارسال شوند. باید شبکه مقیاس پذیر باشد تا زمانی طرح توسعه داشته باشیم مشکلی نداشته باشیم. پیکربندی حسگرها بخصوص زمانی که در مناطق جغرافیایی گسترده توزیع شده اند و باید تک به تک شناسایی و احراز هویت شوند دشوار است. برخی از رخنه های امنیتی از طریق حسگرهایی است که توسط هکرها کاشته شده اند. مشکل نگهداری داده های قدیمی در سیستم هم باید حل شود.

به ندرت سیستم های صنعتی روی ویندوز و لینوکس نصب می شوند و اکثراً دارای سیستم عامل اختصاصی هستند و توپولوژی اجزا، پروتکل ها و اهداف متفاوتی دارند. با این حال سه اصل امنیت داده ها، محرمانه بودن و سطح دسترسی باید مورد توجه قرار بگیرند و کاربران سیستم نیز باید بخوبی آموزش دیده باشند.

در نهایت در بالاترین لایه، الگوریتم های داده کاوی هستند که وظیفه تبدیل این داده ها به اطلاعات و تقطیر این اطلاعات به دانش مورد نیاز را برعهده دارند. همانطور که در شکل (۳) مشاهده می کنید، طیفی از الگوریتم ها مورد نیاز است. بعد از اینهمه سرمایه گذاری و چالش های فنی قرار نیست در پایان الگوریتم ها بگویند چه اتفاقی در کجا رخ داده بلکه انتظار می رود که  بتوانند پیش بینی کنند که چه زمانی در آینده تکرار خواهد شد و راه حل های تجویزی ارائه دهند. تصمیم گیری بر پایه این راه حل های قابل اتکاء، ریسک را کاهش و احتمال موفقیت را افزایش خواهد داد.

شکل ۳-سوالاتی که باید از داده ها بپرسید

با این حال توجه داشته باشید که استخراج دانش و ارائه راه حل از داده ها مستلزم طیف وسیعی از مهارت ها و استعدادهایی است که بتواند حجم زیادی از داده ها را آماده و یکپارچه کرده، مدل های تحلیلی و محاسباتی را بکارگیرند و همچنین بتواند الگوریتم های خاص و هوشمند را برای اهداف مورد نظر توسعه دهند.

با توجه به مزایا و چالش های اینترنت صنعتی که فقط به تعداد اندکی از آنها اشاره شد ملاحظه می کنید که در ظاهر پرطمطراق انقلاب صنعتی و تولید نسل چهارم چه تلاطمی در زیر آن وجود دارد که اجرای آن را برای بسیاری دشوار و ناممکن می کند. اما بهر حال این حرکتی است که به سرعت تمام رو به جلو در حال حرکت است و با نوآوری هایی که به صورت مستمر صورت می گیرد مشکلات یکی پس از دیگری از میان برداشته می شوند تا به یک بلوغ در این حوزه برسیم.

اما با تولید صنعتی نسل ۴ چه شرکت هایی برنده و چه کسانی بازنده خواهند شد؟ در بخش بعدی به این موضوع می پردازیم.

منبع

Industry 4.0, The Industrial Internet of Things, Alasdair Gilchrist